Paper - Hogeschool Gent

Hoofdstuk 2. Theoretische achtergrond 9
1 en → ∅ M > 0 EK VK (-en, meervouden)
2 e → ∅ M > 0 EK VK (-e, adjectieven)
3 etj → ∅ EK VK (-etje, de eind-‘e’ werd al behandeld)
4 tj → ∅ (-e, zelfde opmerking als hierboven)
5 heid → ∅ M > 0 VK (-heid)
6 ing → ∅ M > 0 (-ing)
7 baar → ∅ M > 0 VK (-baar)
8 ig → ∅ M > 0 (-ig)
9 ge- → ∅ M > 0 (ge-)
10 -ge- → ∅ (-ge-)
11 v → f (-v → -f)
12 pp → p (-pp → -p)
Stopwoorden
Tabel 2.1: Een Nederlandse versie van Porter’s Algorithm
Om de definiëring van de klassen te verbeteren, kan het nuttig zijn om zeer frequente
woorden niet op te nemen in de berekeningen. De hoge frequenties zorgen voor grote
getallen bij de berekeningen en bovendien dragen de termen niet bij tot definiëring van
een klasse. Manning et al. (2008) beschrijft de algemene trend in informatievergarende
systemen, gaande van het gebruik van lange lijsten (200-300 termen) naar zeer kleine stop-
woordlijsten (7-12 termen) naar helemaal geen stopwoordfiltering. Ook stopwoorden zijn,
net als stemmingregels, zeer taalspecifiek. De stopwoordlijst die gebruikt werd voor de eer-
ste metingen bestond uit 48 termen (1ste Keuze BV (2012)). Omdat deze stopwoordenlijst
niet volstond voor de testen rond clustering is vanaf dan overgegaan op een langere lijst
van 104 Nederlandse woorden (van Holten (2008)). Het opnemen van een Engelse stop-
woordenlijst met 174 termen bleek eveneens een nuttige aanvulling. De stopwoordlijsten
zijn opgenomen in de bijlages A.1 en A.2 (p. 61, 62). In verdere grafieken en tabellen wordt
het filteren van stopwoorden aangeduid met de letters ‘sw’.
Combinatie van stemming en stopwoorden
Een combinatie van stemming en stopwoorden ligt voor de hand, maar levert daarom niet
altijd betere resultaten op. Bij het evalueren van de verschillende text classifiers is de
invloed van stemming en stopwoorden zowel apart als gecombineerd geëvalueerd.